XGEN 뉴스레터 vol.1

검색의 기본 단위가 ‘링크 목록’에서 ‘생성된 답변’으로 바뀌었다는 뜻입니다. 이제 웹에서 발견되려면 랭킹에 오르는 게 아니라 AI 답변 안에 인용되어야 하고, 콘텐츠도 클릭을 부르는 글이 아니라 발췌·인용되기 좋은 구조여야 합니다. 우리 제품 문서와 기술 블로그도 ‘AI에게 인용되기 좋은 형태’로 재정비할 때라는 신호입니다.

‘AI는 API로 빌려 쓰는 것’이라는 지난 3년의 전제가 흔들린다는 뜻입니다. 프론티어 API 요금이 오를수록 비용을 예측하고 데이터를 내부에 두고 싶은 기업은 오픈모델 + 자체 인프라 조합으로 이동하는데, 이는 곧 폐쇄망·온프렘 LLM 플랫폼의 시장이 커진다는 이야기입니다. 우리가 XGEN으로 만드는 방향이 업계 흐름과 일치한다는 근거 — 제안서에 인용하기 좋은 발언입니다.

‘AI 코드 감사’가 PoC 단계를 지나 정부 단위 실전 사례로 증명됐다는 의미입니다. 수년치 백로그가 20시간으로 줄어든 효율은 사람을 대체했다기보다, 인력 문제로 엄두를 못 내던 전수 점검을 처음으로 가능하게 만든 쪽에 가깝습니다. 이번에 XGEN에 들어간 Claude Code 백엔드가 정확히 이 유형의 작업을 위한 것 — 고객 폐쇄망의 레거시 코드 감사라는 새 제안 시나리오가 생겼습니다.

‘컨텍스트 윈도우가 크니까 다 넣으면 된다’는 요즘 설계가 틀렸을 수 있다는 실측 근거입니다. 256K에서 80%였던 회수율이 1M 토큰에서 36%까지 떨어진다는 것은, 컨텍스트가 길어질수록 모델이 그 안에서 필요한 것을 ‘못 찾게’ 된다는 뜻입니다. 청킹·리랭킹으로 컨텍스트를 아껴 쓰는 우리 RAG 원칙이 여전히 유효한 이유 — 장문맥 시대의 반론 자료로 챙겨둘 만합니다.

‘모델을 여러 개 섞으면 서로 약점을 보완한다’는 가정이 데이터로 반박됐다는 의미입니다. 최신 모델일수록 비슷한 데이터로 학습돼 같은 문제에서 같이 틀리기 때문에, 라우팅에서 중요한 건 ‘두 번째로 좋은 모델’이 아니라 ‘다르게 틀리는 모델’입니다. LLM-as-judge에서 판정 모델과 생성 모델을 같은 계열로 쓰면 안 되는 이유이기도 합니다.

에이전트를 부리는 단위가 ‘프롬프트 한 번’에서 ‘정지 조건이 있는 루프’로 넘어가고 있다는 글입니다. 사람이 매 단계 지시하는 대신 완료 기준을 먼저 정의해두면, 에이전트가 기준을 통과할 때까지 스스로 반복합니다. 핵심 난제가 ‘좋은 정지 조건을 어떻게 정의하나’로 옮겨간다는 점에서, 하니스 v2의 판정 게이트로 우리가 풀고 있는 문제와 정확히 같은 방향입니다.